CN120219779A 一种用于工具柜的工具状态检测系统

(19)国家知识产权局地址723000陕西省汉中市城固县陕西飞(72)发明人刘琪李峰黄亮王珍李全斌陈爱萍赵承周范根健余恒辛有限公司16122GO6VGO6V本发明涉及一种用于工具柜的工具状态检测系2最终特征区域获取模块，用于对各出柜图像进行第一次聚类，获取各出柜图像的特征,r₁代表第i个出柜图像的第一次聚类结果评价值；G灰度信息熵大于或者等于第一均值的聚类簇记为特征区域，将第i个出柜图像中灰度信息预设聚类结果评价阈值T,当第i个出柜图像的第一次聚类结果评价值大于聚类结果评柜图像的第一次聚类结果评价值小于或等于聚类结果评价阈值T时，将初始密度阈值m减1后，对第i个出柜图像进行第二次聚类，并获取第i个出柜图像的第二次聚类结果评价值进行判断，直至第i个出柜图像的第M次聚类结果评价值大于聚类结果评价阈值T,将第i个出3将第i个出柜图像的第j个最终特征区域的掩膜，作为对第i个出柜图像进行滑动遍历下方向上的步长为第j个最终特征区域外接矩形的将掩膜窗口在所有入柜图像内每次滑动时的所在范围，均记为第j个最终特征区域的将第i个出柜图像的第j个最终特征区域的匹配系数中的最大值所对应的滑动窗口范个目标区域的周围像素点个数；ea代表第a个目标区域与其对应的出柜图像的最终特征区预设工具异常阈值T,若任意目标区域的损伤系数大于工具异常阈值T时，该工具需要4一种用于工具柜的工具状态检测系统背景技术[0003]目前公开号为CN115689139A的专利申请文件提出了一种基于DBSCAN聚类算法的后特征区域的周围是否出现新的磨损，来判断工具是否需要替换或者维修；但是，使用的影响导致聚类得到的特征区域不准确，进而影响后续对工具状最终特征区域获取模块，用于对各出柜图像进行,r1代表第i个出柜图像的第一次聚类结果评价表与第i个出柜图像的特征区域相邻的正常区域的第h类像素值；基于所述聚类结果评价5[0006]本发明的创新性在于通过调整DBSCAN聚类算法中密度阈值对出柜图像进行每次像中灰度信息熵大于或者等于第一均值的聚类簇记为特征区域，将第i个出柜图像中灰度预设聚类结果评价阈值T,当第i个出柜图像的第一次聚类结果评价值大于聚类结果评价阈值T时，将第i个出柜图像的特征区进行判断，直至第i个出柜图像的第M次聚类结果评价值大于聚类结果评价阈值T,将第i个出柜图像的第M次聚类下得到的特征区域作为第i个出特征区域的第d个像素点的灰度值；0i,j,u,d代表第i个出柜图像的第j个最终特征区域的第u将第i个出柜图像的第j个最终特征区域的掩膜，作为对第i个出柜图像进行滑动6上至下进行遍历，其中，左右方向上的步长为第j个最终特征区域的外接矩形的宽度的一将掩膜窗口在所有入柜图像内每次滑动时的所在范围，均记为第j个最终特征区将第i个出柜图像的第j个最终特征区域的匹配系数中的最大值所对应的滑动窗预设工具异常阈值T,若任意目标区域的损伤系数大于工具异常阈值T时，该工具附图说明[0019]通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，7都属于本发明保护的范围。仅是用于区别不同对象，而不是用于描述特定顺序。本发明的说明书和权利要求书中使用[0022]本发明提供了一种用于工具柜的工具状态检测系统。如图1所示，一种用于工具柜的工具状态检测系统，包括图像采集模块101、最终特征区域获取模块102、目标区域获取模块103以及损伤系数获取模块104,以下具体说明。[0023]图像采集模块101,用于采集若干个入柜图像以及出柜图像。[0024]需要说明的是，由于工具柜中的使用会有新的磨损位置的产生，因此，监测工具使用前后是否出现磨损，便能够及时对磨损的工具进行替换或维修，因此本发明需要采集工具的出柜图像以及入柜图像。[0025]在本发明实施例中，采用多角度拍摄手段，获取任意一个工具离开工具柜时的多个角度下的图像，并对其进行灰度化处理，记为若干个出柜图像，并且将每个出柜图像进行sift转换到垂直视角；获取该工具放回工具柜时的多个角度下的图像，并对其进行灰度化处理，记为若干个入柜图像，并且将每个入柜图像进行sift转换到垂直视角；需要说明的是，若干个出柜图像与入柜图像的拍摄角度一致。[0026]最终特征区域获取模块102,用于对每个出柜图像进行聚类，获取每个出柜图像的最终特征区域。[0027]需要说明的是，本发明的目的是对比工具出柜时和使用完入柜时所采集的图像变化，来判断工具在此次使用过程中的磨损情况，因此本发明首先需要确定工具在取出使用前的特征区域，也就是出柜图像上的特征区域，所述特征区域为工具上的磨损区域或者构造复杂的区域，最后再根据工具在取出使用前的特征区域确定工具在使用后特征区域的周围是否出现新的磨损，来判断工具是否需要替换或者维修；已知出柜图像上的特征区域与正常区域存在灰度值的差异，并且出柜图像的特征区域中的灰度值分布不均匀，并且正常区域中的灰度值分布比较均匀，因此本发明使用DBSCAN聚类算法对出柜图像进行聚类，又由于DBSCAN聚类算法受密度阈值的影响导致聚类效果不好，使得聚类得到的特征区域不准确，因此本发明首先设置一个较小的密度阈值对出柜图像进行第一次聚类，再对得到的聚类结果进行分析，获取出柜图像的第一次聚类结果评价值，根据所述聚类结果评价值来判断聚类效果，若聚类效果好，则得到特征区域，若聚类效果不好，则对密度阈值进行减小后对出柜图像进行第二次聚类后分析，直至得到聚类效果好时所对应的特征区域。[0028]在本发明实施例中，预设邻域半径r,初始密度阈值m,使用DBSCAN聚类算法对第1个出柜图像进行第一次聚类，得到第i个出柜图像的若干个聚类簇；在本发明实施例中，预设初始密度阈值m为第i个出柜图像的灰度值均值，在其他实施例中，实施人员可根据具体实施情况预设初始密度阈值的值。[0029]需要说明的是，已知出柜图像上的特征区域与正常区域存在灰度值的差异，并且出柜图像的特征区域中的灰度值分布不均匀，并且正常区域中的灰度值分布比较均匀，因此获取每个出柜图像的每个聚类簇的灰度信息熵，所述灰度信息熵越大的聚类簇可能为特8大于或者等于第一均值的聚类簇记为特征区域，将第i个出柜图像中灰度信息熵小于第一个出柜图像的特征区域相邻的正常区域的像素值类别数；kh代表与第i个出柜图像的特征区域相邻的正常区域的第h类像素值；代表第i个出柜图像的特征区域的第g类像素值偏移与第i个出柜图像的特征区域相邻的正常区域的第h类像素值的程度，其值越大，说明特征区域与正常区域的像素值的差异越大，此时说明第i个出柜图像的第一次聚类效[0031]预设聚类结果评价阈值T=0.7,当第i个出柜图像的第一次聚类结果评价值大于聚的最终特征区域；当第i个出柜图像的第一次聚类结果评价值小于或等于聚类结果评价阈果评价阈值T,将第i个出柜图像的第M次聚类下得到的特征区域作为第i个出柜图像的最终特征区域。9将掩膜窗口在所有入柜图像内每次滑动时的所在范围，均记为第j个最终特征区域的滑动窗口范围；获取第i个出柜图像的第j个最终特征区域的第u次匹配系数：第i个出柜图像的第j个最终特征区域的像素点数量；Pi,j,d代表第i个出柜图像的第j个最终特征区域的第d个像素点的灰度值；0i,j,u,d代表第i个出柜图像的第j个最终特征区域的第u个滑动窗口范围的第d个像素点的灰度值；|代表绝对值符号；exp()代表以自然常数为底数的指数函数；的值越大，说明第i个出柜图像的第j个最终特征区域的第u次匹配系数越小。[0036]获取第i个出柜图像的第j个最终特征区域的匹配系数中的最大值所对应的滑动同理，获取每个出柜图像的每个最终特征区域的每次匹配系数，根据每个出柜图像的每个最终特征区域的每次匹配系数，获取若干个目标区域。[0037]损伤系数获取模块104,用于根据每个目标区域的周围像素点，获取每个目标区域的损伤系数，根据每个目标区域的损伤系数，判断工具是否需要维修。[0038]需要说明的是，对出柜图像的每个最终特征区域进行匹配后，得到每个目标区域，接下来需要获取每个目标区域的周围像素点，根据每个目标区域的周围像素点的像素值来分析每个目标区域是否出现进一步的损伤，进而获取每个目标区域的损伤系数。[0039]在本发明实施例中，将每个目标区域的边缘像素点的邻域像素点记为每个目标区域的周围像素点；将每个出柜图像的每个最终特征区域的边缘像素点的邻域像素点，记为每个出柜图像的每个最终特征区域的周围像素点。[0040]获取每个目标区域的损伤系数：式中，ya代表第a个目标区域的损伤系数；Qa,素点与第a个目标区域的中心像素点的像素值差值；Ya,c代表第a个目标区域对应的出柜图像的最终特征区域的第c个周围像素点与最终特征区域的中心像素点的像素值差值；E代表第a个目标区域的周围像素点个数，需要说明的是，目标区域的周围像素点个数与目标区域对应的出柜图像的最终特征区域的像素点个数相等；ea代表第a个目标区域与其对应的出柜图像的最终特征区域的匹配系数；的值越大，说明目标区域的周围像素点与其对应的出柜图像的最终特征区域的周围像素点的差异较大，说明目标区域的周围出现了进一步的损伤，那么目标区域的损伤系数越大。[0041]同理，获取每个目标区域的损伤系数，预设工具异常阈值T=0.7,在其他实施例中，实施人员可根据具体实施方式预设工具异常阈值T的值；若任意目标区域的损伤系数大于工具异常阈值T时，此时说明工具出现了进一步的损伤，